1.简介
光探测和测距（LiDAR）技术可以通过发射激光并测量其返回时间来生成高度精确的三维（3D）地形数据[1]. 这些技术能够量化地表结构变化，如侵蚀和沉积，而无需地表扰动和详细的现场测量。当在飞机上操作时，LiDAR传感器可以测量点密度为亚米到米的三维数据，并且可以测量从一公里到一百公里以上的尺度[2,三,4]. 相比之下，地面激光扫描仪可以以明显更高的点密度但空间范围小得多的方式获取数据。在激光雷达技术量化土壤侵蚀和表面剥蚀的典型应用中，需要高密度和精细的空间分辨率来估计微地形变化，例如山坡和河岸侵蚀[5,6,7]. 特别是，当侵蚀以片蚀或细沟间侵蚀的形式扩散到整个空间时，毫米尺度的地形变化可能会导致不可持续的侵蚀程度。地面激光雷达可以通过三脚架上的固定式激光扫描仪或个人可穿戴的移动式激光扫描仪实现。由三脚架操作的激光扫描仪通常被称为地面激光扫描（TLS）。TLS已用于各种环境中，在这些环境中，精确测量表面变化需要高密度和高精度，例如山坡[5,6,7]、耕种土壤[8,9,10]，荒地[11]、侵蚀图[12]、冲沟[13,14,15,16,17]、虚张声势[18]、和频道[19]. 当在经常使用TLS的精细尺度上测量3D点云的表面变化时，需要特别注意减轻错误非地面点的影响[5,6]. 非地面或非地面（OT）点可能由许多来源产生，如扫描仪错误、噪音、植被或地面垃圾。任何遮挡地面精确表示的点都会降低后续分析的准确性。因此，TLS数据的大多数使用都伴随着3D点云过滤过程来隔离地面点。过滤可以大大提高3D点云以精细分辨率表示的曲面的精度[20,21]. 已经在过滤3D点云中使用了许多方法。可以手动检查TLS点云以删除OT点[22,23]. 虽然这是一种简单的方法，但手动过滤点可能需要耗费大量人力，并且结果不容易复制。当数据量相对较高时，尤其是在多时间TLS数据集中，可重复且用户输入最少的自动过滤方法是有益的[24]. 在基于TLS的地形变化研究中，已经开发并部署了几种自动过滤算法，例如布料模拟过滤器（CSF）[25]，一个改进的基于坡度的过滤器（MSBF）[26]和随机森林（RF）分类器过滤器[27]. 需要进行额外的研究，以选择并实现给定曲面的自动过滤算法。 在应用于TLS数据的地面滤波算法的初步研究中，Roberts等人[28]通过与人工分类的参考数据集的比较，发现没有一种单一的算法能够适用于所有类型的曲面。然而，他们研究中的参考数据集的点密度低于测量与侵蚀有关的精细表面变化时的预期值。需要进一步研究以评估点过滤算法对高密度TLS点云的影响。 本研究评估了三种滤波算法（CSF、MSBF和RF）在从高密度TLS数据集中识别地面点时的性能。从受控侵蚀地块收集连续TLS扫描，一次在高度植被条件下扫描，另一次在裸露条件下扫描以生成分类地面和OT点的测试数据集。该测试数据集用于调整算法参数并测量每个过滤算法的性能。利用这些结果可以解决以下问题：（1）任何滤波算法都能有效地去除高分辨率的植被点吗？；（2） 参数调整对每个算法的性能有什么影响？；（3）哪种算法使用优化/调谐参数提供最佳性能？这项研究提供了对地面点滤波过程的关键见解，这对于使用TLS量化精细地形变化至关重要。
2.材料和方法
2.1. 研究区域
研究区域是田纳西大学东田纳西研究与教育中心（ETREC）植物科学部的一个实验现场(图1). 数据是从现场的山坡图中收集的。该地块长度约为21 m，宽度为6 m，坡度为15%。该地块被设计为在水文上与山坡的其他部分隔离，地块顶部和两侧设有凸起的护道，底部设有泥沙收集装置。该图用于测试TLS对裸露山坡侵蚀的检测限[29]因此，在施用除草剂后，它基本上没有植被，有足够的时间让植被消亡并烧掉所有剩余的残留物。展示这一过程的照片可以在图2在这些过程中，以及在前十年中，这些地块没有受到任何物理干扰，因此土壤表面标高不应受到明显影响。 2.2. 研究设计与滤波算法
图3显示了整个研究设计的流程图。需要一个分类的三维点云测试数据集来评估不同滤波算法的性能和滤波参数的影响。有几项研究手动对点进行分类，但这既费时又费力[27,28,30]. 在本研究中，从研究地块收集了连续的TLS扫描。一次扫描是在植被茂密的条件下进行的，第二次扫描是移除植被后第一次在裸露条件下扫描大约一个月后进行的。本实验提供了一个机会，可以在短时间内捕获不同植被条件下的同一地块，而不会造成明显的地表侵蚀。处理这两次扫描以生成测试数据集，以评估过滤算法是否可以有效去除植被点，评估每个过滤算法的参数调整对植被去除的影响，并比较不同过滤算法的最佳性能。 选择了三种自动过滤算法并应用于测试数据集：Zhang等人[25]沃塞尔曼倒置织物模拟过滤器（CSF）[26]改进的基于斜坡的过滤器（MSBF）和随机森林（RF）分类器。之所以选择这些算法，是因为它们是免费可用的，可以通过编程实现，并且仅对3D点云（X、Y、Z）的位置信息进行操作。 CSF是一种基于表面的分类器，专为机载激光雷达设计，可以将其概念化为布落在倒置的3D点云上。与布料接触或在布料阈值范围内的地方被归类为地面，其余的点被归类为OT点。CSF的输入参数包括：（1）“平滑”，一个控制陡坡是否归一化的布尔变量；（2） “布料分辨率”，控制模拟布料的网格分辨率；（3） “刚度”，模拟布料的刚度；（4） “时间步长”，影响每次迭代期间模拟布料粒子的位移；（5） “分类阈值”，用于根据到模拟布料的距离对点云进行分类的阈值，以及（6）“迭代次数”，控制算法的最大迭代次数。Zhang等人对算法进行了详细描述[25]. CSF过滤器已在python和MATLAB中实现，并包含在CloudCompare软件中(https://www.danielgm.net/cc/，于2022年8月2日访问）作为插件。在本研究中，CSF通过python Anaconda二进制文件应用。 MSBF是一种传统的基于形态学和坡度的技术，它使用白色顶帽变换来平衡点之间的地面高程差，然后再分析点与其相邻点之间的坡度和高度。邻域内超过设定高度和坡度阈值的点被分类为OT点，其余的点被归类为地面。MSBF算法的可调参数为：（1）“半径”，点邻域的半径；（2） “最小邻域”，指邻域的最小点数；（3） “坡度阈值”和“高度阈值”，指被归类为OT点相对于其相邻点的坡度和高度阈值；和（4）“斜率归一化”，控制是否执行斜率归一。Vosselman对MSBF算法进行了详细描述[26]. 此算法可通过带有命令行工具、python库和软件实现的WhiteBoxTools获得[31]. 本研究中使用了python实现。 RF分类器是一种有监督的机器学习算法，它基于根据训练数据中已识别特征之间的关系自动构建的决策树“森林”对点进行分类。RF分类器可以使用超参数进行调整。类似于Weidner等人[27]，这项研究偏离了默认设置，使用了100棵树，最大树深为1000。射频训练数据由用于预测标签的特征组成。测试数据集中分类的OT点构成了本研究的标签。用于预测标签的特征是在每个点计算的三个归一化特征值，考虑到0.005 m、0.0075 m、0.01 m、0.015 m和0.025 m邻域半径内的所有点。这导致每个邻域有五个特征，总共有十五个特征，考虑到五个空间尺度。通过将给定的特征值除以所考虑邻域半径的所有三个特征值之和，对特征值进行归一化。在测试数据集的子集上构建并测试了两个模型。第一个模型考虑了全范围的邻域特征值，而另一个模型只考虑了0.005 m、0.01 m和0.015 m的邻域特性值。从概念上讲，这应该允许分类器以稍微不同的比例考虑表面的形状。使用CloudCompare命令行工具计算特征值。在建立和比较两个模型时，出于训练和测试的目的，测试数据集子集内的点被随机分割75/25%。RF分类器是使用sklearn python库实现的[32]. 虽然CSF和MSBF需要输入参数，但RF分类器的实现需要从测试数据中定义特征以设置内部参数。为了研究CSF和MSBF的不同参数的影响，将数百个参数组合应用于绘图中心部分的测试数据集子集(图1b） ●●●●。同样的子集也被用作建立RF模型的训练数据。测试数据集的子集包含约700万个点，其中280万点被归类为地面，420万点则被归类为OT点。测试数据集的一个子集用于分析参数和构建RF分类器，以显著减少探索参数时的计算时间。 2.3. 数据收集、注册和预处理
2020年6月4日（6月扫描）和2020年7月6日（7月扫描）进行了两次TLS调查。六月的扫描记录了移除植被前的地块状况，地块上有密集的活的和死的、直立的和平坦的植被。七月的扫描是在裸地条件下进行的，在除草剂杀灭和燃烧立地和地表残留物几乎完全清除了植被之后。所有扫描均使用FARO Focus3D X 330（美国佛罗里达州玛丽湖FARO Technologies）采集。该扫描仪的激光波长为1.55×10−6m、 光束发散度为0.00019 rad，出口处的光束直径为0.00255 m。扫描仪的额定值为测量距离表面0.6 m至130 m的距离，20 m处的测距误差为±0.002 m。设备的视野为水平360°，垂直300°。扫描仪安装在延伸的三脚架上，以获得良好的扫描角度。三脚架大致对齐后，扫描仪的内部双轴补偿器将扫描数据调平，精度为0.015°。扫描分辨率为扫描仪全部能力的0.5，用于平衡点密度和扫描时间，从而在整个视野上产生超过1.77亿个点，平均点密度为93000点/m2在20米范围内，扫描时间约为8分钟。使用扫描仪在图的顶部、底部和侧面收集扫描数据，以获得更均匀的点密度分布，以及更大的点到达地面的可能性(图1). 每次扫描都会渲染一个3D点云文件，该文件使用几何字段（X、Y、Z）、颜色字段（R、G、B）和返回强度报告每个点。 为了控制TLS数据采集的质量，在地块的角落安装了混凝土安装墩，作为注册目标的永久和固定位置。考虑到TLS描绘3D形状的能力，使用了直径为0.139 m的相同球形配准目标。使用Leica Cyclone软件注册原始TLS扫描。导入后，手动识别球形配准目标。所有八次扫描仅使用已识别的球形目标注册到单个局部坐标系中。对于每个球形目标，注册软件会在每次扫描中创建目标约束，将该目标与同一目标配对。注册过程尝试最小化所有目标约束之间的距离。通过注册后有效注册目标约束之间的绝对误差、任何剩余距离来评估注册质量。目标约束之间所有绝对误差的方框图如所示图4。注册软件报告目标约束之间的平均绝对误差为0.0035 m。请检查Fan等人[33]有关计算配准误差的详细信息。每个日期对绘图的各个视点扫描合并到一个3D点云中。然后手动剪裁3D点云，使其仅包括距离绘图边缘约半米的边界内的点，以避免潜在的边缘影响，并在进一步处理之前减小数据的大小(图1b） ●●●●。为了去除离群值和噪声点，将CloudCompare中的“统计离群值过滤器”工具应用于3D点云。考虑到最近50个点的邻域，此工具将删除距离比邻域内点之间的平均距离高两个标准偏差的任何点。 假设6月和7月的扫描测量了同一个有植被和无植被的表面，那么6月植被3D点云中距离7月裸数据集中最近点的距离大于注册误差的任何点都可以合理地归类为OT点。然而，清除地块上的植被大约需要一个月的时间，在此期间，地块确实经历了一些地表侵蚀。9.5公里外麦基泰森机场的气象站记录到6月至7月的降雨量为98.2毫米。虽然植被和残留物在7月扫描之前仍然存在于地块上，为地表提供了一些保护，但可以假设地块确实经历了一定程度的侵蚀。为此，在目视检查后，用于对OT点进行分类的6月和7月植被覆盖云层中的点之间的阈值距离被设置为0.01米(图5). 这一距离被认为足够远，以至于6月植被覆盖的3D点云中绝大多数点距离裸露的7月3D点云至少0.01米，因此被归类为OT点是真正代表非地面物体的结果，而不是噪音或侵蚀表面的结果。使用CloudCompare软件中的云到云（C2C）绝对距离工具计算3D点云之间的距离，该工具计算一个3D点云中的每个点与另一个3D点云中最近点之间的无符号距离。在植被覆盖的六月和裸露的七月扫描上运行C2C工具后，为植被覆盖的六月份3D点云生成一个二进制字段，以根据C2C绝对距离将每个点分类为地面或OT。这种分类被视为“基本事实”，用于进一步评估滤波算法的性能。 2.4. 绩效评估方法
使用一组分类准确度指标分析了每种过滤算法的性能，包括总体准确度、F1核、召回率和精确度。不包括总准确度，使用二进制分类混淆矩阵的术语在以下等式中定义准确度指标：真正()，真阴性()，假阳性()和假阴性(.精度，定义为正确的积极分类与所有积极分类的比率（方程式（1））。 召回，R（右）定义为正确阳性分类与所有真阳性分类的比率（方程式（2））。 F1内核，如果1，是精确度和召回率的调和平均值（方程式（3））。 OT和地面类都报告了F1-核心、召回和精确性。此外，Cohen的Kappa分数，k个计算并用作分析参数性能和整体模型性能的主要指标（方程式（4））。 Cohen’s Kappa考虑了评分员之间偶然达成一致的可能性[34]并且对数据集中的不平衡更为稳健。与F1核心、召回和精确性不同，它提供了一个考虑这两个类的单一协议值。麦克休[35]Cohen的Kappa得分高于0.6表示“中等”同意，高于0.8表示“强”同意，超过0.9表示“几乎完美”同意。 考虑到巨大的数据集规模和显示三维数据的挑战，我们在图中使用三个较小的站点来说明分类点，这三个站点代表了一系列条件和图中的横截面轮廓。在每个站点，可以从两个角度查看三维点云。自上而下的透视图会压缩Z（高度）轴，突出显示X（并排）和Y（上下倾斜）轴。向上倾斜的侧视图会压缩Y轴，显示X轴和Z轴。在每个站点，从每个角度来看，3D点云中的点的颜色用于可视化站点条件、测试数据和算法结果。测试数据集分类和裸露和植被扫描的RGB点为地表提供了背景。每个算法的结果使用四个类显示。”“真实地面”和“真实OT”是正确归类为地面或OT的点“假OT”是算法归类为OT的测试数据集中的一个接地点，“假地面”是算法分类为地面的测试数据集中的一个OT点。同样的四个类别也用于说明穿过地块中间的横截面轮廓。
3.结果
在超过3000万个点中，大约1300万个点的C2C绝对距离在植被覆盖的六月和裸露的七月扫描之间<0.01 m，1700万个点C2C绝对距>0.01 m。这些点分别被归类为地面点和OT点。图6显示了C2C绝对距离和分类的直方图。覆盖裸露七月3D点云的测试数据集横截面显示，地面分类点与裸露扫描点（植被稀疏）之间的一致性很好(图7). 在植被茂密的地区，低于0.01 m阈值的点较少，地面分类点出现的频率要低得多。 CSF算法的可调参数为“平滑”、“布料分辨率”、“刚度”、“时间步长”、“分类阈值”和“迭代次数”。在这些参数中，只有“布料分辨率”、“时间步长”和“分类阈值”对分类有显著影响。将不影响分类的参数设置为建议的默认值“平滑=假”、“刚度=3”和“迭代=500”。对于影响分类的参数，使用了以下值范围的组合：0.002米至0.012米的“布料分辨率”时间步长'从0.1 m到0.65 m；以及从0.005 m到0.01 m的“分类阈值”。这导致277个参数组合应用于测试数据集的子集。这些值的选择考虑了数据集的点密度和预期的变化规模。
对于MSBF算法，使用了以下值范围的输入参数组合：“半径”从0.005 m到0.07 m最小邻居“从10到75；”坡度阈值“从40°到54°；”高度阈值从0.005 m到0.02 m；和“斜率归一化”为True或False。总共721个组合应用于测试数据集的一个子集。与CSF一样，考虑到点密度和表面形貌，这些值被选为合理的输入。
CSF、MSBF算法和两种RF模型变体的输入参数的近1000次迭代应用于测试数据集的子集。执行率最高的CSF参数迭代得到的Kappa值为0.86，而执行率最低的迭代得到的Kappa得分为0.24。“时间步长”参数低于0.15 m时，CSF参数的迭代导致分类失败。在有影响力的CSF参数中，“时间步长”参数与Kappa分数的相关性最强，似乎是算法性能的主要驱动因素(图8). 产生最高Kappa值的输入参数组如所示表1并进一步应用于整个数据集。 应用于子集数据集的MSBF算法的参数迭代产生了更窄的Kappa值范围，从0.67到0.52。对于该数据集，“斜率阈值”参数与算法性能的相关性最为密切(图9). 产生最高Kappa值的参数列于表1，并将这些参数应用于整个测试数据集。 分别使用随机生成的75%和25%的模型训练和测试点，对子集数据集的两个RF模型的性能进行比较。相对于来自子集的25%的点，考虑五个邻域尺度的特征值构建的RF模型在所有度量中都优于基于三个尺度构建的模型。在模型的基础训练数据集0.005 m、0.01 m和0.015 m中加入0.0075 m和0.025 m这两个额外的邻域尺度，将Kappa值从0.63增加到0.72。然后将使用全范围邻域尺度构建的RF模型应用于整个数据集（包括子集内的所有点）。
整个测试数据集仅使用最佳参数/模型来评估CSF、MSBF和RF方法的性能(表2). CSF算法在大多数指标上都优于其他算法，但在地面精度和OT召回方面，MSBF略优于CSF。CSF和RF的准确度指标在地面类和OT类之间是平衡的，每个类别的CSF得分略高。 图10显示了该地块的一部分无植被。在这个位置，测试数据集的几个OT点是由噪声反射和在扫描之间移动到该区域的小卵石部分产生的。所有算法都很容易识别这些OT点。唯一明显的区别是MSBF，它总是错误地将OT点分类到大部分曲面上。横截面结果也显示了MSBF的这种模式(图11)：沿着正确分类的接地点，有一层错误分类的OT点，其他算法不存在。 图12图中显示了一部分以植被为主的地块。在这个站点上，CSF相对于其他算法来说非常准确。CSF错误地将一些OT点归类为场地左侧的地面，此处植被较厚，但程度低于RF。在植被茂密的地区，RF分类器比其他算法更频繁地对点进行错误分类。MSBF的高OT召回分数表明，MSBF在这片植被覆盖的地区表现出色，尽管在该地区的右侧仍然明显存在着取消许多地面点资格的相同模式。 显示的区域图13包含多种条件：左侧植被较高、密度较大，中部为平坦地面包围的单一植物，右侧靠近地面的植被较短。CSF和RF算法可以正确地对大多数地面和植被密集的区域进行分类。MSBF算法再次显示了过度排除接地点的模式。 4.讨论
4.1. 测试数据集
需要一个测试数据集来评估点过滤算法的性能。研究通过人工分类地面和OT点生成测试数据集，这既耗时又费力[28]. 使用手动分类方法也很难生成大型高密度测试数据集。地面激光雷达获得的3D点云包括数百万个点，点间距以毫米到厘米为单位。 本文通过对比去除植被前后的两次连续扫描，采用一种新的方法生成测试数据集。假设植被清除期间地面没有变化，同一位置的两个地面点之间的C2C绝对距离将在两个3D点云的两个注册误差（0.007 m）内（99%置信水平）。然而，在两次扫描之间的一个月内，我们确实观察到了一些地表变化。为了说明这种潜在影响，我们使用0.01 m的更大距离作为C2C绝对距离阈值，将测试数据集分为地面点和OT点（大约三个注册错误，99.9%置信水平）。该方法快速高效，所创建的数据集也足够大，可以对过滤算法进行性能评估。
然而，尽管在点分类的两次扫描之间使用了更大的距离阈值0.01 m，但测试数据集中仍然存在误分类的OT点。这些误分类的OT点来自两次扫描之间经历侵蚀的真实地面。图14显示了测试数据集中错误分类的OT点的示例。另一个例子可以从中4 m长标记处底部的第二个横截面轮廓中看到图7。可以手动识别和删除测试数据集中的错误。然而，在包含数百万个点的复杂数据集上检查和修复这些错误需要花费大量的时间和精力。在未来的研究中，这些错误可以通过缩短进行植被扫描和裸体扫描之间的时间或防止实验地块在扫描之间暴露于降雨来缓解。总的来说，这种错误分类似乎很少见，并且被认为是一种可以接受的权衡方法，可以从3000万点以上的3D点云中自动分类地面和OT点。 4.2. 不同参数对不同算法性能的影响
每个滤波算法使用各种参数进行3D点云滤波或分类。然而，很少有研究检查这些参数对各种类型的3D点云性能的影响。在本研究中，我们通过比较使用不同参数组合的一组分类结果，确定了每种滤波算法的最敏感和最佳性能参数。我们基于CSF算法的结果与机载LiDAR的该算法的原始研究直接对比，这表明0.65 m的“时间步长”参数适用于大多数情况[25]. 对于我们的TLS数据，使用0.65 m作为“时间步长”参数会产生最不准确的结果，而使用更小的0.15 m“时间步宽”值会获得最高的Kappa分数。就“时间步长”参数而言，TLS和机载LiDAR数据似乎具有显著不同的尺度。除了与将CSF应用于TLS相关的挑战外，CSF使用的模拟布料可能会“粘住”真实的OT点，这些OT点的高程剖面逐渐远离真实地面，从而导致错误的地面分类。我们的结果表明，如果仔细考虑输入参数，CSF算法可以在密集TLS数据集上产生出色的分类，因为默认参数设置似乎不适用于高密度TLS点云。 我们对单个参数与MSBF的Kappa值之间的相关性的初步观察表明，不同参数的影响因参数之间的相互作用而有些模糊。未来需要对MSBF参数的影响进行更详细的灵敏度分析。
就RF分类器而言，尽管在额外尺度的好处与增加的计算时间和复杂性之间存在权衡，但加入额外尺度可以改善分类结果。对于我们的测试数据集，Kappa值提高0.09似乎值得从3邻域尺度（9个特征）移动到5邻域尺度的计算成本（15个特征）。
4.3. 三维点云分类不同算法的比较
基于我们的测试数据集的结果表明，在TLS生成的点云的地面和OT点分类方面，CSF优于RF和MSBF。CSF在大多数指标中得分较高，包括使用最佳性能参数时，Kappa得分为0.86，RF为0.75，MSBF为0.62。尽管CSF最初是为机载LiDAR数据设计的，但如果仔细考虑参数，它可以对TLS数据进行高度准确的分类。
即使Kappa得分最低，MSBF的地面精度和OT召回得分也最高，这表明，在关键的时候，以排除一些地面点为代价仅捕获地面点可能是有利的。对MSBF分类结果的进一步观察表明，在相对平坦的地区，许多错误分类的OT点略高于其他地面点。这种分布模式表明，这些点可能来自远离站点的单个扫描视图。由于这些点距离裸露表面不到0.01 m，因此在测试数据集中被归类为接地点。然而，MSBF可能根据坡度阈值将这些点归类为OT点。由于仅使用了一组坡度和高度阈值，因此MSBF在单个场地内不同地表条件下的应用可能会受到限制。此外，如果OT点聚集在一起以创建一个相对较大且足够平滑的曲面，则测量的邻域坡度和高度可能会低于阈值，从而导致这些OT点与地面点的分类错误。
在图中所示的区域中图13CSF和RF对大多数平坦地面和植被密集地区进行了正确分类，而MSBF再次显示出过度排除地面点的模式。然而，该站点还包含部分测试数据集，由于两次扫描之间的表面侵蚀>0.01 m，这些数据集被错误地归类为OT点。对分类结果的详细检查表明，CSF和MSBF对该场地的地面点进行了更准确的分类，因为这两种方法都将侵蚀部分归类为地面。有趣的是，由于将这些错误分类的点用作训练数据，RF分类器与错误分类的测试数据一致，这表明RF实现对训练数据选择很敏感，甚至测试数据集中相对较少的错误也可能不适合训练RF模型。然而，我们的研究只是一个案例研究。未来需要进行更多工作，以检查是否有更合适的表面特征可用于生成RF模型，或者所选特征是否适用于具有不同表面特征的场地。 5.结论
本研究在移除植被前后对山坡地进行连续高密度TLS扫描，生成自动分类测试数据集，以评估三种点过滤算法的性能：CSF、MSBF和RF。我们的结果表明，每个算法的性能都受到输入参数的选择的影响。“时间步长”参数对CSF算法的分类精度有很大影响。该算法在处理机载LiDAR数据时推荐的默认值导致这些3D点云的分类精度最低，而“时间步长”值小得多，则导致TLS数据的分类精度最高。MSBF算法的参数变化产生了更窄但精度更低的分类精度范围。“斜率阈值”参数与分类精度的相关性最为密切。对两个RF模型进行了测试，考虑了3个和5个特征值邻域，并且RF分类精度随着邻域数量的增加而提高。
在分类精度方面，CSF优于RF和MSBF。CSF在大多数指标中得分较高，包括0.86的Kappa得分，而RF和MSBF的Kappa得分分别为0.75和0.62。很明显，尽管CSF是为机载LiDAR数据设计的，但如果仔细考虑参数，它可以对TLS数据进行高度准确的分类。即使Kappa得分最低，MSBF的地面精度和OT召回得分也最高，这表明，在关键的时候，以排除一些地面点为代价仅捕获地面点可能是有利的。此外，对MSBF分类结果的详细检查显示，在点略高于相对平坦区域的位置，错误地将地面点识别为OT。尽管RF只使用了15个功能进行了培训，但它还是产生了适度的分类。
这项研究表明，滤波算法的性能取决于参数设置。对不同参数设置进行深入的敏感性分析可以进一步扩展这些过滤算法在TLS数据中的应用。值得注意的是，本研究中开发的测试数据集并不完美，因为在两次扫描之间，绘图经历了一些侵蚀。为了减轻侵蚀的影响，本研究使用比注册误差（0.0035 m）更大的阈值（0.01 m）对测试数据集进行分类。尽管如此，在一些站点中可以观察到错误分类的点，这些影响了过滤算法的性能评估。未来的研究可能会考虑将过滤算法应用于其他通过TLS获得的分类良好的测试数据集。此外，本研究中实验地块的表面特征相当均匀，在应用于TLS数据可能需要过滤的其他表面之前，需要对这些过滤算法得出的最佳参数进行进一步测试。
作者贡献
概念化、G.B.和Y.L。；为收购、G.B.和Y.L.提供资金。；调查、G.B.、Y.L.、N.M.、D.Y.和W.W。；方法学，G.B.、Y.L.、D.Y.和H.H。；项目管理，Y.L.和D.Y。；资源、Y.L.、N.M.、D.Y.和W.W。；软件、G.B.和Y.L。；可视化，G.B。；书面原稿，G.B。；写作审查和编辑，Y.L.、D.Y.、H.H.、W.W.和N.M.所有作者均已阅读并同意手稿的出版版本。
基金
本研究获得了环境保护署小型城市水拨款（UW-00D45316）和田纳西大学地理与可持续发展系卡罗尔·安妮·雪莉纪念基金（Carole Anne Shirley Memorial Fund to Y.L.）以及斯图尔特·K·麦克罗斯基纪念基金（Stewart K.McCroskey Memorial Fund to G.B.）的资助。开放获取这项研究的资金由田纳西大学的开放出版支持基金提供。
数据可用性声明
应作者要求，可获得与本研究相关的数据。
鸣谢
作者感谢Yasin Wahid Rabby和Ming Shen在实地调查中提供的帮助。
利益冲突
作者声明没有利益冲突。资助者在研究设计中没有任何作用；收集、分析或解释数据；在撰写手稿时，或在决定公布结果时。
工具书类
- Lefsky，文学硕士。；科恩，W.B。；G.G.帕克。；Harding，D.J.Lidar遥感生态系统研究Lidar是一种新兴的遥感技术，可直接测量植物冠层的三维分布，能够准确估计植被结构属性，应该引起森林、景观和全球生态学家的特别关注。生物科学 2002,52, 19–30. [谷歌学者] [交叉参考]
- Tarolli，P.《理解地球表面过程的高分辨率地形：机遇与挑战》。地貌学 2014,216, 295–312. [谷歌学者] [交叉参考]
- Tarolli，P。；Dalla Fontana，G.《山坡-山谷过渡形态：高分辨率DTM的新机遇》。地貌学 2009,113, 47–56. [谷歌学者] [交叉参考]
- 斯莱顿，K.C。；卡特，W.E。；Shrestha，R.L。；Dietrich，W.机载激光斯瓦特测绘：达到地球表层研究所需的分辨率和精度。地球物理学。Res.Lett公司。 2007,34，L23S10。[谷歌学者] [交叉参考]
- Eltner，A。；Baumgart，P.土壤侵蚀测量用地面激光雷达数据的精度约束：应用于地中海现场图。地貌学 2015,245, 243–254. [谷歌学者] [交叉参考]
- 卢，X。；李毅。；哥伦比亚特区华盛顿阿伦。；李毅。；李，H。；Hu，Q.网格尺寸对侵蚀、沉积和细沟网络量化的影响。国际土壤水利。物件。 2017,5, 241–251. [谷歌学者] [交叉参考]
- 卢，X。；李，Y。；哥伦比亚特区华盛顿阿伦。；Li，Y.山坡上的结构和沉积连通性。科学。总环境。 2019,655, 1479–1494. [谷歌学者] [交叉参考]
- 博尔卡斯，D。；Naberezny，B。；Jacobson，M.G.SUAS摄影测量法和TLS法在检测深度耕作后土壤表面高程变化方面的比较。J.Surv公司。工程师。 2021,147, 04021001. [谷歌学者] [交叉参考]
- 公元梅耶。；海特曼，J.L。；怀特，J.G。；Austin，R.E.使用地基激光雷达测量长期耕作区的侵蚀。土壤耕作研究。 2013,126, 1–10. [谷歌学者] [交叉参考]
- 图伦，M。；Turtola，E。；马萨诸塞州瓦亚加。；Hyväluoma，J。；Koivusalo，H.陆地激光扫描数据与3D水文建模相结合，解读耕作在农田水平衡和径流生成中的作用。卡特纳 2020,187, 104363. [谷歌学者] [交叉参考]
- Vericat，D。；M.W.史密斯。；Brasington，J.高分辨率多时间地形测量确定的亚湿润荒地地形变化模式。卡特纳 2014,120, 164–176. [谷歌学者] [交叉参考]
- 不列颠哥伦比亚省坎迪多。；昆顿，J.N。；M.R.詹姆斯。；Silva，M.法律公告。；德卡瓦略，T.S。；德利马，W。；贝尼亚奇，A。；Eltner，A.使用结构-位移法对漫射（薄层或层间）侵蚀进行高分辨率监测。Geoderma公司 2020,375, 114477. [谷歌学者] [交叉参考]
- Perroy，R.L。；布克哈根，B。；Asner，G.P。；Chadwick，O.A.加利福尼亚州圣克鲁斯岛上使用机载和地面激光雷达进行沟壑侵蚀估算的比较。地貌学 2010,118, 288–300. [谷歌学者] [交叉参考]
- Höfle，B。；格里斯鲍姆。；Forbriger，M.GIS-Based Detection of Gullies in the Land LiDAR Data of the Cerro Llamoca Peatland（秘鲁）。远程传感器。 2013,5, 5851–5870. [谷歌学者] [交叉参考]
- 李毅。；McNelis，J.J。；Washington-Allen，R.A.，使用陆地激光扫描量化活动沟谷中的短期侵蚀和沉积：美国田纳西州西部的案例研究。前面。地球科学。 2020,8, 14. [谷歌学者] [交叉参考]
- 北卡罗来纳州古德温。；阿姆斯顿，J.D。；缪尔，J。；Stiller，I.《监测沟壑变化：使用昆士兰阿拉图拉的案例研究对机载和地面激光扫描进行比较》。地貌学 2017,282, 195–208. [谷歌学者] [交叉参考]
- Rengers，F.K。；Tucker，G.E.《沟壑头部形态的演变：使用地面激光扫描和水文监测的案例研究》。地球表面处理。兰德夫。 2015,40, 1304–1317. [谷歌学者] [交叉参考]
- Day，S.S。；格兰，K.B。；贝尔蒙特，P。；Wawrzyniec，T.测量钝面侵蚀第1部分：变化检测的地面激光扫描方法。地球表面处理。兰德夫。 2013,38, 1055–1067. [谷歌学者] [交叉参考]
- Schürch，P。；Densmore，A.L.公司。；新泽西州罗斯。；林，M。；McArdell，B.W.，使用地面激光扫描检测复杂地形中的表面变化：应用于Illgraben碎屑流通道。地球表面处理。兰德夫。 2011,36, 1847–1859. [谷歌学者] [交叉参考]
- R.J.巴尼维尔德。；Seeger，M。；Maalen Johansen，I.获得土壤高分辨率DEMs的地面激光扫描技术评估：用于高分辨率DEMs的TLS。地球表面处理。兰德夫。 2013,38, 90–94. [谷歌学者] [交叉参考]
- X孟。；柯里特，N。；Zhao，K.机载激光雷达数据的地面滤波算法：关键问题综述。远程传感器。 2010,2, 833–860. [谷歌学者] [交叉参考]
- Meinen，英国大学。；罗宾逊，D.T.土壤去了哪里？陡峭地砖雨农田一年土壤侵蚀的量化。科学。总环境。 2020,729, 138320. [谷歌学者] [交叉参考] [公共医学]
- Neugirg，F。；斯塔克，M。；Kaiser，A。；瓦拉基洛娃，M。；Della Seta，M。；Vergari，F。；施密特，J。；贝希特，M。；Haas，F.意大利托斯卡纳南部奥西亚河谷上游卡兰奇的侵蚀过程，基于多时相高分辨率地面激光雷达和无人机调查。地貌学 2016,269, 8–22. [谷歌学者] [交叉参考]
- 切·E。；Olsen，M.J.通过扫描线密度分析对TLS数据进行快速地面滤波。ISPRS J.摄影。远程传感器。 2017,129, 226–240. [谷歌学者] [交叉参考]
- 张伟。；齐，J。；Wan，P。；Wang，H。；谢，D。；王，X。；Yan，G.一种基于布料模拟的易于使用的机载LiDAR数据滤波方法。远程传感器。 2016,8, 501. [谷歌学者] [交叉参考]
- Vosselman，G.激光测高数据的基于斜率的滤波。IAPRS公司 2000,33, 935–942. [谷歌学者]
- 韦德纳，L。；沃尔顿·G。；Kromer，R.点云山坡分类器的泛化注意事项和解决方案。地貌学 2020,354, 107039. [谷歌学者] [交叉参考]
- 罗伯茨，K.C。；Lindsay，J.B。；Berg，A.A.陆地激光雷达地面点分类器分析。远程传感器。 2019,11, 1915. [谷歌学者] [交叉参考]
- Bailey，G。；李毅。；McKinney，N。；Yoder博士。；W.赖特。；Washington-Allen，R.Las2DoD：基于从具有空间变化不确定性的密集点云衍生的数字高程模型的变化检测。远程传感器。 2022,14, 1537. [谷歌学者] [交叉参考]
- 布罗杜，N。；Lague，D.使用多尺度维度标准对复杂自然场景进行三维地面激光雷达数据分类：在地貌学中的应用。ISPRS J.摄影。远程传感器。 2012,68, 121–134. [谷歌学者] [交叉参考]
- Lindsay，J.B.Whitebox GAT：地貌分析案例研究。计算。地质科学。 2016,95, 75–84. [谷歌学者] [交叉参考]
- 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A。；米歇尔，V。；蒂里昂，B。；O.格栅。；布隆德尔，M。；普雷滕霍弗，P。；韦斯，R。；杜堡，V。；等。Scikit-Learn：Python中的机器学习。J.马赫。学习。物件。 2011,12, 2825–2830. [谷歌学者]
- 范，L。；Smethurst，J.A。；阿特金森，P.M。；Powrie，W.陆地激光扫描中基于目标的地理参考和注册错误。计算。地质科学。 2015,83, 54–64. [谷歌学者] [交叉参考]
- Cohen，J.名义量表的一致系数。教育。精神病。测量。 1960,20, 37–46. [谷歌学者] [交叉参考]
- McHugh，M.L.Interrater可靠性：Kappa统计。生物化学。医疗 2012,22, 276–282. [谷歌学者] [交叉参考]
| 出版商备注：MDPI在公布的地图和机构隶属关系中对管辖权主张保持中立。 |
